Algorithme de sous-évaluation des introductions en bourse

La sous-évaluation des actions lors d'une introduction en bourse correspond à l'augmentation de la valeur des actions entre le prix d'offre initial et le prix de clôture du premier jour. Beaucoup pensent que les introductions en bourse sous-évaluées laissent de l'argent sur la table pour les entreprises, mais certains pensent que la sous-évaluation est inévitable. Les investisseurs affirment que la sous-évaluation signale un intérêt élevé du marché, ce qui augmente la demande. D'un autre côté, les actions surévaluées baisseront à long terme à mesure que le prix se stabilise, de sorte que la sous-évaluation peut protéger les émetteurs contre les litiges des investisseurs.

Les souscripteurs , les investisseurs et les entreprises qui se lancent dans une introduction en bourse (IPO), les émetteurs, s'intéressent à leur valeur de marché. Il en résulte toujours une tension puisque les souscripteurs veulent maintenir le prix bas alors que les entreprises veulent un prix d'introduction élevé.

La sous-évaluation peut également être causée par une réaction excessive des investisseurs, provoquant des pics lors des premiers jours de négociation. Le processus de fixation du prix d'une introduction en bourse est similaire à celui de produits nouveaux et uniques, pour lesquels les données sur la demande du marché, l'acceptation du produit ou la réaction de la concurrence sont rares. Il est donc difficile de déterminer un prix clair, qui est aggravé par les différents objectifs des émetteurs et des investisseurs.

Le problème du développement d'algorithmes permettant de déterminer la sous-évaluation est de gérer des ensembles de données bruyants , complexes et non ordonnés. De plus, les personnes, l'environnement et diverses conditions environnementales introduisent des irrégularités dans les données. Pour résoudre ces problèmes, les chercheurs ont trouvé diverses techniques d' intelligence artificielle qui normalisent les données.

La programmation évolutive est souvent associée à d'autres algorithmes, par exemple des réseaux de neurones artificiels, pour améliorer la robustesse, la fiabilité et l'adaptabilité. Les modèles évolutifs réduisent les taux d'erreur en permettant aux valeurs numériques de changer dans la structure fixe du programme. Les concepteurs fournissent à leurs algorithmes les variables, puis ils fournissent des données d'apprentissage pour aider le programme à générer des règles définies dans l'espace d'entrée qui font une prédiction dans l'espace des variables de sortie.

Dans cette approche, la solution est individuelle et la population est constituée d'alternatives. Cependant, les valeurs aberrantes poussent les individus à agir de manière inattendue alors qu'ils tentent de créer des règles pour expliquer l'ensemble.

Par exemple, Quintana commence par résumer un modèle à 7 variables principales. Les règles ont évolué à partir du système de calcul évolutionnaire développé au Michigan et à Pittsburgh :

• Prestige du souscripteur – Le souscripteur est-il prestigieux dans son rôle de gestionnaire principal ? 1 pour vrai, 0 sinon.
• Largeur de la fourchette de prix – Largeur de la fourchette de prix de référence non contraignante proposée aux clients potentiels pendant le roadshow. Cette largeur peut être interprétée comme un signe d’incertitude quant à la valeur réelle de l’entreprise et donc comme un facteur pouvant influencer le rendement initial.
• Ajustement de prix – Différence entre le prix de l'offre finale et la largeur de la fourchette de prix. On peut considérer qu'il s'agit d'une incertitude si l'ajustement se situe en dehors de la fourchette de prix précédente.
• Prix ​​de l’offre – Le prix de l’offre finale de l’introduction en bourse
• Stock conservé – Ratio du nombre d’actions vendues lors de l’introduction en bourse divisé par le nombre d’actions après l’offre moins le nombre d’actions vendues lors de l’introduction en bourse.
• Taille de l'offre – Logarithme de la taille de l'offre en millions de dollars, hors option de surallocation
• Technologie – Est-ce une entreprise technologique ? 1 pour vrai, 0 pour les autres.

Quintana utilise ces facteurs comme des signaux sur lesquels les investisseurs se concentrent. L'algorithme que son équipe explique montre comment une prédiction avec un haut degré de confiance est possible avec seulement un sous-ensemble de données.

Luque aborde le problème des valeurs aberrantes en effectuant des régressions linéaires sur l'ensemble des points de données (entrée, sortie). L'algorithme traite les données en attribuant des régions aux données bruyantes. Le schéma a l'avantage d'isoler les modèles bruyants, ce qui réduit l'effet des valeurs aberrantes sur le système de génération de règles. L'algorithme peut revenir plus tard pour comprendre si les ensembles de données isolés influencent les données générales. Enfin, les pires résultats de l'algorithme ont surpassé les capacités prédictives de tous les autres algorithmes.

Actuellement, de nombreux algorithmes supposent un comportement homogène et rationnel des investisseurs. Il existe cependant une approche alternative à la modélisation financière, appelée modélisation basée sur les agents (ABM). L'ABM utilise différents agents autonomes dont le comportement évolue de manière endogène, ce qui conduit à une dynamique de système complexe, parfois impossible à prévoir à partir des propriétés des agents individuels. L'ABM commence à être appliquée à la finance computationnelle. Cependant, pour que l'ABM soit plus précise, de meilleurs modèles de génération de règles doivent être développés.